Oct, 2023

点云中无旋流的 $p$-Poisson 曲面重建

PDF
TL;DR通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明，所提方法在标准基准数据集上能提供更好的鲁棒性和重建效果。
surface reconstructionimplicit neural representationspartial differential equationssigned distance functionreconstruction quality
发现论文，激发创造
  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 点作为形状：可微分泊松求解器

    本文提出了一个基于可微分的 Poisson 曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的 3D 重建效果，比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。

    Jun, 2021

  • 神经随机筛选泊松重建

    使用神经网络对基于泊松平滑先验的点云重建不确定性进行研究和量化，我们的算法解决了现有工作的主要局限性，并可以完全整合到 3D 扫描流程中，包括获取初始重建、选择下一个最佳传感器位置和在捕获更多数据后更新重建。

    Sep, 2023

  • DiGS：非定向点云的发散引导形状隐式神经表征

    本文提出了一种基于散度导向的形状表示学习方法，不需要输入法向量，并且引入了一种新颖的几何初始化方法，使得 INR 网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。

    Jun, 2021

  • 从单个稀疏点云中无监督地推导符号距离函数，无需学习先验知识

    本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和 SDF 推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断 SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

    Mar, 2023

  • 基于学习预测上下文先验的点云表面重建

    本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

    Apr, 2022

  • POCO：点卷积用于曲面重建

    研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。

    Jan, 2022

  • 基于网格交叉预测的点云表面重建

    通过直接预测采样的点对之间线段与隐式表面的交点，本文提出了一种新的方法，既能够有效地表示开放表面，又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上，我们的方法展示了最先进的性能。

    Mar, 2024

  • RaNeuS: 射线自适应神经表面重建

    应用可微辐射场重建图像中的细节、平衡渲染和几何重建两个目标以生成准确而详细的三维表面。

    Jun, 2024

  • 神经奇异黑塞：通过强制奇异黑塞实现无定向点云的隐式神经表示

    基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

    Sep, 2023